使用时频盲源分离和小波包去噪的胎儿心电信号提取

提出一种使用时频盲源分离(TFBSS)和小波包去噪的胎儿心电信号提取新方法。首先通过重排时频谱时频盲源分离方法进行胎儿心电信号的初次提取,并将初次提取得到的母体心电信号和噪声对应的各路分量置零,其余分量由混合矩阵进行重构;然后再利用重排时频谱的时频盲源分离方法对重构信号进行胎儿心电信号的二次提取,得到含噪声的胎儿心电信号;最后通过小波包去噪抑制胎儿心电信号中的基线漂移和噪声。在胎儿心电信号和母体心电信号的QRS波无重叠、部分重叠或完全重叠的情况下,通过该方法能有效抑制母体心电信号和噪声的干扰,提取胎儿心电信号。实验结果表明该方法能提取清晰的胎儿心电信号。     

基于K近邻互信息估计的EEG伪迹消除方法

针对脑电信号中的眼电和心电串扰伪迹,提出一种基于最小相依成分分析的互信息(MILCA)算法的伪迹消除方法.在提升小波硬阈值法对多路原始脑电信号去噪基础上,运用MILCA算法对各通道信号进行盲源分离,同时采用信号间互相关系数和互信息量作为指标,分析伪迹分离程度.与Extend Infomax、FastICA 2种常见盲源分离算法的对比结果表明,运用MILCA算法对脑电信号中的眼电及心电伪迹的分离结果最理想.     

基于ICA-WICA方法的脑电信号α波提取的仿真研究

脑电信号的波形提取和特征提取成为当前研究的热点,其中较多的是对能反应大脑某种状态波的特征提取,比如反应闭眼脑功能的α波。通常测得的脑电信号会有很多的干扰,用ICA的方法对脑电信号的多种噪声信号进行分离和去除,然后对脑电信号α波成分进行了基于小波变换的多尺度分析,结合ICA的方法对脑电信号α波成分进行二次提取(即本文中提出的ICA-WICA方法)。最后的仿真结果证明了这种方法的有效性。     

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

基于CuBICA算法的EEG伪迹去除方法

在高阶累积量和独立分量分析的基础上,提出一种基于CuBICA算法的脑电信号伪迹去除方法。针对脑电信号中常含有的眼电、心电等伪迹问题,利用小波包方法对原始脑电信号去噪,并进行中心化和白化处理,运用CuBICA算法对消噪后的脑电信号进行盲源分 离。分析分离后各信号间相关性,结果表明,CuBICA算法能成功分离脑电、眼电与心电信号,有效去除纯脑电信号中的各种伪迹。     

组合方法在脑电信号消噪中的仿真研究

研究脑电信号消噪问题.脑电信号存在非平稳性且包括大量的噪声,传统的消噪算法不能很好消除脑电信号中的噪声,从而影响后继的脑电信号处理和分析.为了更好的消除脑电信号噪声,提出一种小波变换与自适应滤波相结合的脑电信号组合消噪方法.该方法首先对含噪的脑电信号进行白化处理,然后采用小波分解和重构含噪较大的信号,将重构后的信号作为自适应滤波器的输入,进行自适应滤波消噪处理.仿真结果表明,组合去噪方法能有效去除脑电信号中的噪声干扰.     

单通道脑电信号眼电伪迹去除算法研究

由眨眼和眼动产生的眼电伪迹（Electrooculography,EOG）信号是脑电信号（Electroencephalography,EEG）中的主要噪声信号之一.目前,多通道脑电信号中眼电伪迹的去除算法已经较为成熟.而在单通道脑电信号的眼电伪迹去除中,由于采集通道数量较少且缺乏参考眼电信号,目前尚无十分有效的去除方法.本文提出一种基于小波变换（Wavelet transform,WT）、集合经验模态分解（Ensemble empirical mode decomposition,EEMD）和独立成分分析（Independent component analysis,ICA）的WT-EEMD-ICA单通道脑电信号眼电伪迹去除算法.实验表明:WT-EEMD-ICA算法有效地解决了单通道WT-ICA算法中的超完备问题,能够有效去除单通道脑电信号中的眼电伪迹,并且分离出的眼电伪迹成分与参考通道采集的眼电信号相关性较强.     

基于提升方案的心电信号去噪算法

针对传统小波变换的去噪算法运算复杂,难以用于心电信号的实时处理,而常见心电信号滤波算法在实际应用中去噪效果不理想,为正确识别心电信号,提高实时性和去噪效果,采用提升方案来构造小波,提高了小波分解的速度,减少算法对内存的需求,并结合阈值滤波算法对小波系数进行处理,实现信号与噪声的分离.为了验证算法有效性,对MIT-BIH数据库中数据进行了仿真实验,结果表明方法处理后信号失真较小,信号中叠加的工频干扰和肌电干扰基本被消除,相对于基于传统小波变换算法处理速度有了很大的提升.     

基于广义高斯分布模型的盲源分离算法

分析了盲源分离的自然梯度算法与常规梯度算法的差异，研究了在自然梯度算法中引入不完整基后的算法特性，严格剖析了不完整自然梯度方法的成因与机理，数学上论证了与自然梯度盲源分离算法相比，不完整自然梯度算法避免了因源信号非平稳或幅值快速变化而引起的数值不稳定，并利用广义高斯分布模型模拟不完整自然梯度算法中的非线性激活函数，根据高斯指数值的不同选择，使该算法适用于服从任意分布源信号的方法。分别选取非平稳语音信号、脑电和心电信号以及正弦波和脑磁波信号进行仿真实验，结果表明基于广义高斯分布模型的不完整自然梯度算法完全能够恢复出这些不同类型的源信号。     

基于UWT和独立分量分析的含噪盲源分离

提出了基于UWT（非抽样小波变换）去噪与FastICA（快速独立分量分析）算法相结合的含噪盲源分离方法,采用先去噪后分离的方式实现了在加性高斯噪声环境下混合图像的盲分离。仿真结果表明,该方法能很好地从加性高斯噪声中分离出源图像,与曲波阈值去噪后的FastICA方法相比较,该方法能获得更好的峰值信噪比。     

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。     

Blind separation of audio signals using trigonometric transforms and wavelet denoising

This paper deals with the problem of blind separation of audio signals from noisy mixtures. It proposes the application of a blind separation algorithm on the discrete cosine transform (DCT) or the discrete sine transform (DST) of the mixed signals, instead of performing the separation on the mixtures in the time domain. Wavelet denoising of the noisy mixtures is recommended in this paper as a preprocessing step for noise reduction. Both the DCT and the DST have an energy compaction property, which concentrates most of the signal energy in a few coefficients in the transform domain, leaving most of the transform domain coefficients close to zero. As a result, the separation is performed on a few coefficients in the transform domain. Another advantage of signal separation in transform domains is that the effect of noise on the signals in the transform domains is smaller than that in the time domain due to the averaging effect of the transform equations, especially when the separation algorithm is preceded by a wavelet denoising step. The simulation results confirm the superiority of transform domain separation to time domain separation and the importance of the wavelet denoising step.     

Heuristic wavelet shrinkage for denoising

Noise reduction without any prior knowledge of noise or signals is addressed in this study. Compared with conventional filters, wavelet shrinkage can respect this requirement to reduce noise from received signal in wavelet coefficients. However, wavelet threshold depends on an estimate of noise deviation and a weight relating signal's length cannot be applied in every case. This paper uses particle swarm optimization (PSO) to explore a suitable threshold in a complete solution space, named PSOShrink. A general-purpose objective function which is derived from blind signal separation (BSS) theory is further proposed. In simulation, four benchmarks signals and three degrading degrees are testing; meanwhile, three existing algorithm with state-of-the-art are performed for comparison. PSOShrink can not only recovers source signals from a heavy blurred signal but also remains details of a source signal from a light blurred signal; moreover, it performs outstanding denoising in every simulation case.     

基于小波消噪和盲源分离的信号奇异点检测方法

研究工业过程故障诊断中的信号奇异点检测问题．采用结合小波消噪的盲源分离算法提取有用的源信号，在分析李氏指数和小波变换的极大值与信号奇异点的关系基础上，分析了信号奇异点检测所用的小波尺度及闯值选择方法．实例分析和比较表明，该方法的主要优势在于它对随机噪声的降噪效果明显，而且能有效地检测出信号的奇异点．     

改进的EMD算法及其在含噪盲扰信分离中的应用

针对经验模态分解(EMD)降噪算法存在因表示噪声的内蕴模态函数(IMF)分量选择不当而引起的降噪性能不稳定的问题,对其进行改进,加入对噪声水平的估计,并将噪声阈值作为分解结束的判决门限,避免了对噪声IMF分量的选择。在此基础上,联合小波变换进行降噪,并应用于含噪盲扰信分离中。仿真表明在一定范围的低信噪比条件下,该算法增强了盲扰信分离的抗噪声性能,可将源信号从染噪的观测信号中有效地分离出来。     

小波与FastICA结合的阻抗胃动力信号处理方法

研究一种用于多通道体表阻抗胃动力信号采集与信息提取的处理方法.运用作者研制的四通道阻抗胃动力检测系统进行健康人阻抗胃动力信号采集实验.将小波变换的多分辨率特性和FastICA算法的盲源分离特性相结合,把采集的四通道阻抗胃动力信号经小波变换分解重构后作为ICA输入,再经FastICA算法实施盲分离,实现阻抗信号分离与胃动...     

基于盲源分离的超声信号去噪的仿真研究

提出一种新的基于盲源分离的超声信号去噪方法.为了验证去噪方法的有效性,应用此方法处理了仿真的超声信号,并与小波去噪的效果进行了比较.实验结果表明:该去噪方法能极大提高超声信号的信噪比,且其效果能与小波去噪方法相媲美,其特点是通过超声信号和噪声信号的盲源分离实现噪声消除.     

基于小波变换的电子音乐信号降噪算法

电子音乐信号受到多种因素的影响,包含了大量的噪声,直接影响电子音乐信号的后续处理。为了提高电子音乐信号质量,改善信号的信噪比,针对当前电子音乐信号降噪算法存在的局限性,设计了一种基于小波变换的电子音乐信号降噪算法。首先分析电子音乐信号降噪的研究现状,指出各种电子音乐信号降噪算法的弊端,然后采集电子音乐信号;对其进行截尾操作,提取最有效的电子音乐信号,最后引入小波变换对电子音乐信号进行多尺度分解和重构操作,过滤掉电子音乐信号中的噪声。并采用Matlab 2018编程实现电子音乐信号降噪仿真实验。结果表明,小波变换克服了当前电子音乐信号降噪算法的不足,电子音乐信号降噪的精度高,能够有效识别噪声,使得降噪后的电子音乐信号具有更高的信噪比。     

噪声背景下的盲源分离算法

分析了当存在高斯背景噪声时一类盲分离算法的性能，指出此时盲分离算法仍可用于估计解混矩阵，而输出信号为分离的源信号与高斯噪声的叠加。利用现代时间序列分析方法（MTSSAM）建立了输出信号的自回归移动平均（ARMA）新息模型，并给出了一种基于多维线性最小二乘法的信号滤渡算法。仿真试验表明，该算法稳定且收敛，可以在背景噪声存在时有效地恢复源信号的波形。     

含噪BSS模型的BJD-Hough算法*

当噪声存在时,信号和混合阵的盲估计变得相当困难。针对信号源噪声污染情形,假设信号和噪声的时频谱不同,提出了一种时频去噪盲源分离方法。该方法以Born-Jordan分布计算混合信号的时频矩阵并将信号的时频分布看作图像,利用广义Hough变换将信号检测转换为在参数空间寻找局部极大值的问题,再运用自项点理论选择合适的时频阵进行对角化,进而估计源信号和混合阵。该方法扩展了盲源分离的限制条件,能有效分离各种非平稳源信号、非独立源信号,且通过把噪声能量扩展到整个时频面而只选择信号能量占主导的时频点,对噪声具有一定的抑制能力。